[發明專利]一種納米磁流體的磁場-滲流場耦合流動模擬方法及裝置

有效

• 申請號: 202011606458.3
• 申請日: 2020-12-28
• 公開（公告）號: CN112800693B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 孫全剛
• 申請（專利權）人: 深圳北鯤云計算有限公司
• 主分類號: G06F30/28
• 分類號: G06F30/28;G06F30/27;G06F30/25;G06N3/04;G06N3/08;G06F113/08;G06F119/14
• 代理公司: 廣州天河萬研知識產權代理事務所(普通合伙) 44418
• 代理人: 陳軒;劉茂龍

1.一種納米磁流體的磁場-滲流場耦合流動模擬方法，其特征在于，所述方法執行以下步驟：

步驟1：建立納米磁流體的磁場-滲流場耦合流動方程，該方程使用如下公式表示：J＝σ(v×B)；其中，B為納米磁流體產生的靜磁場的磁場強度；σ為感應系數，取值范圍為：0.2～0.5；v為納米磁流體的流速；

步驟2：基于該納米磁流體的磁場-滲流場耦合流動方程，建立模擬反饋模型，該模擬反饋模型接收輸入的參數，對接收到的參數進行判斷分析，得出參數類型；所述參數類型有三種，分別對應不同的納米磁流體狀態；所述納米磁流體的三種狀態分別為：電流-納米磁流體狀態，單磁體-納米磁流體狀態和電壓-納米磁流體狀態；在判斷參數類型對應為電流-納米磁流體狀態時，調整所述納米磁流體的磁場-滲流場耦合流動方程為：其中，為納米磁流體的電流變化值；在判斷參數類型對應為單磁體-納米磁流體狀態時，調整所述納米磁流體的磁場-滲流場耦合流動方程為：J＝σ(v×(B+B_r))；其中，B_r為納米磁流體的磁體變化量；在判斷參數類型對應為電壓-納米磁流體狀態時，調整所述納米磁流體的磁場-滲流場耦合流動方程為：其中，為納米磁流體的電壓變化值；

步驟3：建立調整模型，該調整模型，針對每一種類型的參數下對應的磁場-滲流場耦合流動方程模擬的最終結果進行準確率訓練，以此來對后續輸入的參數進行參數調整，使得最終的模擬結果接近準確值。

2.如權利要求1所述的方法，其特征在于，所述調整模型包括：多個神經結，其中每個神經結被連接到所述磁場-滲流場耦合流動方程模擬的最終結果及一個校正值；一組分配器，其中每個分配器被運行連接到所述磁場-滲流場耦合流動方程模擬的最終結果，以供接收相應的校正值，且被配置成從和所述輸入值相關的所述多個校正值來選擇一個或多個校正值；一組神經元，其中每個神經元具有至少一個輸出且經由所述多個神經結的一個而和所述磁場-滲流場耦合流動方程模擬的最終結果的至少一個連接，由此產生神經元總和；以及值校正計算器，其被配置成接收期望輸出結果，確定所述神經元總和與所述期望輸出結果值的偏差，且使用所確定的所述偏差來修改相應的校正值，從而將所修改的所述相應的校正值值合計以確定所述神經元總和，使得所述神經元總和與所述期望輸出結果值的所述偏差為最小化，由此訓練所述神經網絡。

3.如權利要求2所述的方法，其特征在于，所述值校正計算器確定所述神經元總和與所述期望輸出結果值的偏差包括：設定一個權重函數，用w_i表示，將每個神經元總和與相對應的權重函數進行卷積運算，得到第一中間結果；設定一個激勵函數，所述激勵函數為：x為期望輸出結果值的第一個值；設定神經元總和閾值為：Θ；將第一中間結果和該激勵函數以及神經元閾值進行運算，得到前向神經網絡的結果為：x_i為期望輸出結果值的序列；計算前向神經網絡的訓練誤差；由于本次訓練的輸出變量E為神經元總和與所述期望輸出結果值的偏差，但模型訓練后會產生一個預測值為O，故得出誤差函數為：其中m代表神經元總和的數量，i表示第i個變量。

4.如權利要求3所述的方法，其特征在于，所述使得所述神經元總和與所述期望輸出結果值的所述偏差為最小化的方法包括：反向傳播更新權重w為讓誤差越來越小，提高模型預測的精確度，神經網絡從輸出層反向傳播數據給輸入層，重新調整權重w的值，直到模型誤差達到最小后停止訓練，完成模型創建。

5.如權利要求4所述的方法，其特征在于，所述磁流體由納米磁性顆粒、基液和表面活性劑組成。